Agent vícekrokový s reasoning smyčkou
Na této stránce
Agent vícekrokový s reasoning smyčkou
Nejsilnější agenti se nezastaví po jediném volání nástroje. Řetězí více kroků uvažování, upravují svou strategii na základě výsledků a iterují, dokud nedosáhnou cíle. V této lekci se naučíš, jak tyto vícekrokové agenty stavět. Příklady využívají rodinu modelů GPT-5.6: zatímco předchozí generace vyžadovala přepínání modelů pro aktivaci reasoningu, nyní toto chování řídíš nastavením parametru effort u zvoleného modelu.
Vzorec plánování a provádění (Plan-Execute)
Vícekrokový agent začíná vytvořením plánu a následně provádí každý jeho krok. Toto oddělení je záměrné: plánovač nemá přístup k nástrojům a produkuje typovanou strukturu, zatímco vykonavatel obdrží tento plán jako mapu a jednoduše jej následuje. Vágní požadavek typu „připrav čtvrtletní přehled pro klíčové účty“ se změní na konkrétní sekvenci akcí – dotaz do CRM, vygenerování reportu, odeslání e-mailu – ještě předtím, než je podniknut jakýkoli krok.
from agents import Agent, Runner, function_tool
from pydantic import BaseModel
import json
class PlanAction(BaseModel):
steps: list[str]
objective: str
planner_agent = Agent(
name="Planner",
instructions="""Obdržíš komplexní úkol. Rozlož jej na jednoduché, seřazené kroky.
Každý krok musí být konkrétní a proveditelná položka.""",
model="gpt-5.6-sol", # Pokročilý reasoning pro plánování
output_type=PlanAction,
)
@function_tool
def search_crm(query: str) -> str:
"""Vyhledá informace o zákaznících v CRM."""
return json.dumps({"customers": [
{"name": "Acme Corp", "revenue": 500000, "contract": "Enterprise"},
{"name": "TechStart", "revenue": 50000, "contract": "Starter"},
]})
@function_tool
def generate_report(title: str, content: str) -> str:
"""Vygeneruje formátovaný report."""
return f"Report '{title}' úspěšně vygenerován ({len(content)} znaků)"
@function_tool
def send_email(recipient: str, subject: str, body: str) -> str:
"""Odešle e-mail."""
return f"E-mail odeslán na {recipient}: {subject}"
executor_agent = Agent(
name="Executor",
instructions="""Úkoly provádíš krok za krokem.
K dokončení každého kroku použij dostupné nástroje.
Pokud krok selže, zkus alternativní přístup.""",
tools=[search_crm, generate_report, send_email],
model="gpt-5.6-terra",
)
async def process_complex_task(task: str):
# Krok 1: Plánování
plan = await Runner.run(planner_agent, task)
print(f"Plán: {plan.final_output.steps}")
# Krok 2: Provedení s plánem jako kontextem
execution_instructions = f"""Proveď následující kroky v pořadí:
{chr(10).join(f'{i+1}. {e}' for i, e in enumerate(plan.final_output.steps))}
Cíl: {plan.final_output.objective}"""
result = await Runner.run(executor_agent, execution_instructions)
return result.final_output
Samokorigující se agent
Samotné plánování nestačí: v reálném světě nástroje selhávají. Druhá forma smyčky umožňuje agentovi detekovat vlastní chyby a opravit je. Všechno závisí na detailu, který se často přehlíží – nástroj nevyhodí výjimku, ale vrátí čitelnou chybovou zprávu. Agent si ji přečte, uvědomí si, že zapomněl na klauzuli FROM, přepíše svůj dotaz a zkusí to znovu, v rámci limitu tří pokusů stanoveného v jeho instrukcích.
from agents import Agent, Runner, function_tool
@function_tool
def execute_sql_query(sql: str) -> str:
"""Provede SQL dotaz na databázi."""
# Simulace: některé dotazy selžou
if "DROP" in sql.upper():
return "CHYBA: Destruktivní dotazy jsou zakázány."
if "SELECT" in sql.upper() and "FROM" not in sql.upper():
return "CHYBA: Neplatná syntaxe SQL – chybí FROM."
return json.dumps({
"columns": ["name", "monthly_revenue", "region"],
"rows": [
["Acme Corp", 45000, "Île-de-France"],
["TechStart", 12000, "Rhône-Alpes"],
],
"result_count": 2
})
analyst_agent = Agent(
name="Data Analyst",
instructions="""Analyzuješ data prováděním SQL dotazů.
Pokud dotaz selže:
1. Analyzuj chybovou zprávu
2. Oprav dotaz
3. Zkus to znovu
Maximálně 3 pokusy na jeden dotaz.
Nikdy nepoužívej DROP, DELETE ani TRUNCATE.""",
tools=[execute_sql_query],
model="gpt-5.6-terra",
max_turns=10, # Dostatek kol pro opravy
)
result = Runner.run_sync(
analyst_agent,
"Jaký je celkový výnos podle regionů?"
)
Všimni si, že zákaz destruktivních dotazů se objevuje na dvou místech: v instrukcích i v kódu nástroje. Instrukce model navádějí, ale pouze kontrola na straně serveru v nástroji garantuje, že příkaz DROP TABLE nikdy neproklouzne.
Vzorec: řetězec specializovaných agentů
Pro komplexní workflow je lepší řetězit několik specializovaných agentů, nežli zatěžovat jednoho agenta veškerou odpovědností. Každý článek má jasnou roli: sběrač shromažďuje surový materiál, analytik – vybavený reasoning modelem – identifikuje trendy a spisovatel formátuje výstup. Přínos je jak vzdělávací, tak provozní: když výsledný report zklame, okamžitě víš, kterého ze tří agentů je třeba opravit.
from agents import Agent, Runner
collection_agent = Agent(
name="Data Collector",
instructions="Shromáždi všechna data potřebná pro analýzu.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
analysis_agent = Agent(
name="Analyst",
instructions="Analyzuj shromážděná data a identifikuj trendy.",
model="gpt-5.6-sol", # Pokročilý reasoning pro analýzu
)
writing_agent = Agent(
name="Writer",
instructions="""Napiš jasný, strukturovaný report v angličtině
na základě poskytnuté analýzy. Formát: úvod, klíčové body, doporučení.""",
model="gpt-5.6-terra",
)
async def analysis_pipeline(question: str):
# Krok 1: Sběr dat
data = await Runner.run(collection_agent, question)
# Krok 2: Analýza
analysis = await Runner.run(
analysis_agent,
f"Analyzuj tato data: {data.final_output}"
)
# Krok 3: Napsání reportu
report = await Runner.run(
writing_agent,
f"Napiš report na základě této analýzy: {analysis.final_output}"
)
return report.final_output
Řízení hloubky reasoningu
Všechny tyto smyčky mají jednu společnou vlastnost: mohou se nikdy nezastavit. Parametr max_turns je tvou hlavní pojistkou a ladíš jej podle ambicí úkolu. Tři kola stačí pro agenta, od kterého se očekává odpověď na první pokus; dvacet pět je potřeba pro průzkum, který před závěrem dotazuje více zdrojů.
# Konzervativní agent: málo kol
simple_agent = Agent(
name="Simple Agent",
instructions="Odpověz pokud možno v jediném kole.",
model="gpt-5.6-terra",
)
result = await Runner.run(simple_agent, "Jednoduchá otázka", max_turns=3)
# Komplexní agent: mnoho kol
research_agent = Agent(
name="Deep Researcher",
instructions="Prozkoumej všechny úhly pohledu, než dospěješ k závěru.",
tools=[search_crm, execute_sql_query],
model="gpt-5.6-terra",
)
result = await Runner.run(research_agent, "Kompletní analýza Q1", max_turns=25)
Tuto hodnotu nastavuj na základě pozorování svých tras (traces), nikoliv hádáním: pokud se tvá skutečná provedení dokončí za šest kol, limit dvaceti pěti nic nechrání.
Klíčové poznatky
- Vzorec plánování a provádění odděluje plánování (reasoning model) od exekuce
- Samokorigující se agent analyzuje své chyby a upravuje svou strategii
- Řetězce specializovaných agentů umožňují komplexní a udržovatelná workflow
max_turnsřídí hloubku reasoningu a chrání před nekonečnými smyčkami- Pokročilé reasoning schopnosti si rezervuj pro plánování a analýzu